endüstriyel alanlardaki dairesel petrol ve yağ ürünleri (pol)

endüstriyel alanlardaki dairesel petrol ve yağ ürünleri (pol)

ENDÜSTRİYEL ALANLARDAKİ DAİRESEL PETROL VE YAĞ ÜRÜNLERİ (POL)
DEPOLARININ YÜKSEK ÇÖZÜNÜRLÜKLÜ UYDU GÖRÜNTÜLERİNDEN
OTOMATİK TESPİTİ
Ali Özgün Ok
Nevşehir H.B.V. Üniversitesi, Jeodezi ve Fotogrametri Mühendisliği Bölümü, 50300, 2000 Evler, Nevşehir
[email protected], [email protected]
Komisyon ?, WG ?
ANAHTAR SÖZCÜKLER: Dairesel Alan Tespiti, Endüstriyel Alanlar, Petrol ve Yağ Ürünleri (POL) depoları, Dairesel Hough
Dönüşümü, Yüksek Çözünürlüklü Uydu Görüntüleri
ÖZET:
Bu çalışmada yeryüzündeki Petrol ve Yağ Ürünlerine (POL) ait depoların konumlarını uydu görüntülerinden otomatik olarak
tespitini gerçekleştirecek yeni bir yöntem geliştirilmiştir. Geliştirilen yöntem literatürdeki diğer yöntemlerin aksine dairesel POL
depolarının gölge alanlarına odaklanmaktır. İlk aşamada gölge bilgisi bulunmakta ve gölge alanlarının sınırları otomatik olarak eğri
parçalarına ayrılmaktadır. Devamında, elde edilen eğri parçalarından her biri yine bu çalışmada geliştirilen kısıtlarla test edilmekte
ve bu test sonucunda POL depolarının muhtemel sınır kısımları ortaya çıkarılmaktadır. Elde edilen sınır kısımlarından karşılıklı
olarak birbirlerini destekleyenler POL depoları olarak işaretlenmektedir. Herhangi bir destek bulamayanlar ise her gölge nesnesi için
ayrı ayrı olarak uygulanan ve içerisinde dairesel Hough dönüşümünü barındıran yeni bir yöntem ile analiz edilmekte ve bu analiz
sonucuna göre nihai karar verilmektedir. Son aşamada ise elde edilen tüm POL depolarının merkez ve yarıçap bilgileri kullanılarak
depoların görüntü üzerinde sunumu gerçekleştirilmektedir. Yöntemin test edilmesi amacıyla farklı GeoEye-1 uydu görüntülerinden
(0.5 m) 12 endüstriyel test alanı seçilmiştir. Tüm test alanları için sırasıyla %99.1 ve %82.7 obje-tabanlı genel kesinlik ve gerigetirme oranı hesaplanmıştır. Tüm test görüntüleri için hesaplanan obje-tabanlı F1 skoru %90 civarındadır. Öte yandan otomatik
olarak bulunan POL depolarına ait merkez ve yarıçap karesel ortalama hata (RMS) değerleri sırasıyla 2.67 ve 2.17 piksel olarak
hesaplanmıştır. Test görüntülerindeki zorluk seviyeleri ve farklı görüntüleme şartları (kar, çöl vb.) dikkate alındığında geliştirilen
yaklaşımın uydu görüntülerinde POL depolarının otomatik olarak belirlenmesine yönelik oldukça umut vadeden bir yöntem olduğu
düşünülmektedir.
ABSTRACT:
In this study, a new approach for the automated detection of above-ground depots of Petroleum, Oil, & Lubricants (POL) from
satellite imagery is proposed. The developed approach focuses on the cast shadows of circular POL depots in contrast to the methods
proposed in the literature. In the first step, shadow detection is performed, and the boundaries of the shadow regions are split into
curved segments. Thereafter, each curved segment is tested with newly developed constraints and potential parts of the boundary of
the POL depots are extracted. The boundary parts that are found to be mutually supporting are marked as POL depots. For the ones
that do not have any support, an investigation based on a new method which involves circular Hough transform that is applied to
each shadow component is performed to reach a final decision. In the final step, presentation of all detected POL depots is performed
on images through the collected center coordinates and the radii. 12 GeoEye-1 test images (0.5 m) covering different industrial
regions are selected to evaluate the proposed approach. For all test sites, overall object-based precision and recall ratios are computed
as 99.1% and 82.7%, respectively. The computed object-based F1-score for all test images is around 90%. Besides, the overall root
mean square (RMS) values computed for the center and the radius parameters of the automatically detected POL depots are
computed as 2.67 and 2.17 pixels, respectively. If the difficulties and different illumination and environmental conditions (snow,
desert, etc.) are taken into account, it is believed that the proposed approach achieves quite promising results for the detection of
POL depots from satellite images.
1. GİRİŞ
Çok yüksek çözünürlüklü (0.3 - 1 m) hava veya uydu
görüntülerinden (3-boyutlu) otomatik nesne elde edilmesi son
yıllardaki modern fotogrametri ve uzaktan algılama
uygulamalarındaki en önemli araştırma konularından birisi
haline gelmiştir. Bu konu içerisinde insan yapımı bir nesnenin
veya bölgenin uydu görüntüleri kullanılarak incelenmesi,
detaylarının çıkarılması ve analizi önem göstermektedir. Bu
nesnelerin hava/uydu görüntülerinden yarı-otomatik veya
otomatik olarak bulunması ve 3-boyutlu sunumu, görüntü çekim
tekniklerinin sürekli olarak gelişmesi, görüntü kalitesinin ve
boyutlarının artması, otomasyona geçiş sürecindeki taleplerin
hızlanması nedenleriyle artık bir zorunluluk haline gelmiştir.
Otomatik olarak elde edilmeye çalışılan nesnelerin içerisinde
dairesel hedefler farklı depolama alanlarını ve nesnelerini
tanımlaması açısından önemli bir yere sahiptir. Günümüzde
Petrol ve Yağ Ürünlerine (POL) ait depolar bulundukları
konuma göre yerüstü ve yeraltı olmak üzere iki sınıfa
ayrılmaktadır. Yerüstünde yer alan depo üniteleri ise yapıları
itibariyle dört sınıfta değerlendirilmektedir: (i) dikey silindirik,
(ii) yatay silindirik, (iii) küresel ve (iv) dikdörtgen prizmatik. Bu
dört sınıfın içinde POL depoları olarak en çok dikey silindirik
ve küresel şekildeki depolama üniteleri tercih edilmektedir. Bu
iki ünitenin ortak özelliği ise nadir veya yakın-nadir çekim
yapılan
görüntülerde
çatılarının
daire
şeklinde
gözlemlenmesidir. Bu nedenle bu çalışmada yerüstünde
konumlanmış dikey silindirik ve küresel şekildeki depolama
ünitelerinin yüksek çözünürlüklü uydu görüntülerinden tespiti
hedeflenmiştir.
POL depolarının otomatik olarak belirlenmesine yönelik
oldukça umut vadeden bir yöntem olduğu düşünülmektedir.
Yüksek çözünürlüklü hava/uydu görüntülerinden Petrol ve Yağ
Ürünlerine (POL) ait depoların tespiti ile ilgili az sayıda
bilimsel çalışma bulunmaktadır. (Weisheng vd., 2005) gelişmiş
bir Hough dönüşümü ve korelasyon tabanlı şablon eşleştirme
kullanarak keskinleştirilmiş SPOT-5 uydu görüntülerinden
depolama tankları tespit etmeye çalışmıştır. (Li, 2006)
bölütleme ve özellik tabanlı sınıflandırmaya ve korelasyon
tabanlı bir şablon eşleştirme dayalı bir yaklaşım test etmiştir.
(Chen, 2009) şekil parametrelerine ve alan büyütme tabanlı bir
kümeleme yöntemine dayanan bir daire tanıma algoritması
kullanmıştır. (Han vd., 2011) QuickBird uydu görüntülerinden
dairesel depo alanlarının tespiti için Hough dönüşümünü
kullanmış ve hatalı tespitleri elemek için çizge tabanlı bir arama
yöntemi geliştirmiştir. Bu çalışmadan kısa bir süre sonra, (Han
ve Fu, 2012), sınırları düzgün tanımlanmış depolama tanklarının
tespiti için bir model önermiştir. (Zhu vd., 2012) genel seviyede
POL tanklarının bulunduğu görüntü parçalarını, detay
seviyesinde ise bu görüntü parçalarındaki dairesel bölgeleri
bulmayı amaçlayan genelden-detaya gitmeyi amaçlayan bir
strateji geliştirmiştir. (Kushwaha vd., 2013) parlak POL
depolarını istatistiksel ve dokusal bilgilerin analizine dayanan
eğitimli bir sınıflama yöntemi ile tespit etmeyi önermiştir. Bir
diğer çalışmada, (Zerman vd., 2014) yüksek çözünürlüklü uydu
görüntülerinden POL depolarını tespit etmek için bir algoritma
önermiştir. Bu algoritmada dairesel şekiller hızlı radyal simetri
dönüşümünün (HRSD) (Loy ve Zelinski, 2003) biraz
değiştirilmiş sürümü ile tespit edilmiş ve yakın-kızılötesi bilgisi
hatalı tespitleri engellemek için kullanılmıştır.
Çalışmanın işlem adımları metnin ilerleyen bölümlerinde
açıklanmaktadır. Buna göre; Bölüm 2’de geliştirilen yaklaşım
tanıtılmıştır. Bölüm 3’te yöntemin sonuçları ortaya konulmuş ve
elde edilen bulgular tartışılmıştır. Son bölüm olan 4. bölümde
ise çalışmadan elde edilen sonuçlar özetlenmiş ve gelecekte
yapılması planlanan çalışmalara değinilmiştir.
Yukarıdaki çalışmalar incelendiğinde, günümüze kadar
geliştirilen yöntemlerin büyük çoğunluğunun sadece belirgin bir
şekilde parlak (beyaz) çatı rengine sahip ve çevresinden belirgin
şekilde ayrılabilen dairesel depolama ünitelerini bulmaya
yönelik olduğu görülmektedir. Bunun yanı sıra, bulunan
depolama alanlarının yüksek çözünürlüklü uydu görüntülerinde
var olan diğer dairesel nesnelerden (kavşak, tarım alanı, atık su
arıtma tesisi vb.) ayrılması için bir yöntem önerilmediği
anlaşılmaktadır. Bunlardan başka olarak, bütün çalışmalar
sadece dairesel nesnelerin tespit oranlarına odaklanmış ve
sonuçta elde edilen nesnelerin parametrelerinin (merkez nokta
ve yarıçap) kalitesiyle ilgili bir değerlendirme yapılmamıştır.
Bu çalışmada yeryüzündeki POL depolarının konumlarını uydu
görüntülerinden otomatik olarak tespitini gerçekleştirecek yeni
bir yöntem geliştirilmiştir. Geliştirilen yöntem literatürdeki
diğer yöntemlerin aksine dairesel POL depolarının gölge
alanlarına odaklanmaktır. İlk aşamada gölge bilgisi bulunmakta
ve gölge alanlarının sınırları otomatik olarak eğri parçalarına
ayrılmaktadır. Devamında, elde edilen eğri parçalarından her
biri yine bu çalışmada geliştirilen kısıtlarla test edilmekte ve bu
test sonucunda POL depolarının muhtemel sınır kısımları ortaya
çıkarılmaktadır. Elde edilen sınır kısımlardan karşılıklı olarak
birbirlerini
destekleyenler
POL
depoları
olarak
işaretlenmektedir. Herhangi bir destek bulamayanlar ise her
gölge nesnesi için ayrı ayrı olarak uygulanan ve içerisinde
dairesel Hough dönüşümünü barındıran yeni bir yöntem ile
analiz edilmekte ve bu analiz sonucuna göre nihai karar
verilmektedir. Son aşamada ise elde edilen tüm POL
depolarının merkez ve yarıçap bilgileri kullanılarak depoların
görüntü üzerinde sunumu gerçekleştirilmektedir. Yöntemin test
edilmesi amacıyla farklı GeoEye-1 uydu görüntülerinden (0.5
m) 12 endüstriyel test alanı seçilmiştir. Test görüntülerindeki
zorluk seviyeleri ve farklı görüntüleme şartları (kar, çöl vb.)
dikkate alındığında geliştirilen yaklaşımın uydu görüntülerinde
2. GELİŞTİRİLEN YÖNTEM
Geliştirilen yöntemin işlem adımları sırasıyla aşağıda
açıklanmıştır. Bu çalışmada kullanılan yöntemler daha önce
yapılan ve yayımlanan bir çalışmada detaylarıyla açıklanmıştır
(Ok, 2014). Bu nedenle bu çalışmada bazı kısımlarla ilgili
detaylara yer verilmemiş ve kısaca özetlenmiştir.
Bu çalışmada önerilen yaklaşım tek bir keskinleştirilmiş çokbantlı (M, Y, K ve YKÖ) ortogörüntüyü kullanmaktadır. Ayrıca
görüntünün çekim zamanına ait güneş açıları (azimuth ve
zenith) ile ilgili bilgiler görüntüye ait üst veriden (metadata)
otomatik olarak çekilmektedir. Sağlıklı bitki örtüsünün
bulunduğu alanları tespit edebilmek amacıyla Normalize
Diferansiyel Bitki İndeksinden (NDVI) yararlanılmıştır. Söz
konusu bu indeks sağlıklı bitki örtüsünün gözlemlendiği
yerlerde yüksek değerler üretmek amacıyla tasarlanmış olup bu
yüksek değerler genellikle bitki örtüsü bulunan alanları
göstermektedir. Bu çalışmada bitki örtüsü maskesini (MV)
otomatik olarak hesaplayabilmek amacıyla Otsu metoduna
(Otsu, 1975) dayanan histogram eşikleme metodu
kullanılmıştır.
2.1 Temizlenmiş Gölge Maskesinin Oluşturulması
Gölge alanların otomatik tespit edilmesi için ise güncel bir
indeksten faydalanılmıştır (Teke vd., 2011). Bu indeks Renk
Tonu-Doygunluk-Yoğunluk (HSI) renk uzayının Yoğunluk ve
Doygunluk bileşenleri ile hesaplanan bir orana dayanmakta ve
HSI renk uzayına ise uydu görüntüsünün yalancı renk
birleşiminden geçilmektedir (NIR, R, G). Gölge alanlarını
otomatik belirlemek için tıpkı bitki örtüsü tespitinde de
faydalanıldığı üzere Otsu’nun metodu uygulanmıştır. Fakat bu
yöntemle elde edilen maske bitki örtüsü ve gölge alanlarını
ortak olarak gösterdiği için bitki örtüsünün bulunduğu alanlar
gölge maskesi (MS) elde etmek amacıyla çıkarılmıştır (Şekil
1b). Bu çalışmada bulunan gölge maskesinin temizlenmesi
amacıyla Ok (2013)’te önerilen son-işleme yaklaşımı
kullanılmış ve temizlenmiş gölge maskesi (MPS) elde edilmiştir
(Şekil 1c).
2.2 Aday Eğri Parçalarının Bulunması
Önerilen yaklaşım tamamen dairesel nesnelerin gölgelerine
dayanmaktadır. Bu nedenle dairesel nesnelerin gölgelerinin
diğer nesnelerin (bina, ağaç vb.) gölgelerinden ayrılması
gerekmektedir. Bu aşamada dairesel yapıların simetrik olması
dolayısıyla gölgelerinin hilal-benzeri bir şekil alması ve bu
bilginin ilgili nesnelerin tespiti sırasında kullanılması önem arz
etmektedir (Şekil 1c).
2.2.1
Gölge Sınırlarının ve Eğri Parçalarının Bulunması
Bu aşamada ilk olarak tüm gölge nesneleri 8-komşuluk
kullanılarak ayrı ayrı olarak tanımlanmış ve her nesnenin
içindeki pikseller temizlenerek sadece nesnelerin sınırlarını
tanımlayan pikseller elde edilmiştir. Devamında her nesne için
(a)
(a)
(b)
(b)
δ1
δ2
δ3
δ4
(c)
(c)
(d)
Şekil 1. (a) GeoEye-1 görüntüsü, (b) gölge maskesi, (c)
temizlenmiş gölge maskesi, (d) gölge sınırları boyunca bulunan
köşe noktaları.
bu sınırları oluşturan pikseller eğri parçalarına ayrılmıştır. Bu
ayırma işlemi için Awrangjeb ve Lu (2008) tarafından köşe
bulma amacıyla geliştirilen yöntem adapte edilmiştir. Bu
yöntem temel olarak sınır boyunca gezen mobil düz bir çizgi
sayesinde sınır üzerindeki eğrileri ve dolayısıyla köşe
noktalarını tespit etmektedir (Şekil 1d). Bu sayede sınır
üzerindeki köşe noktaları tespit edilip bu noktalar arasında kalan
sınır pikselleri bir eğri (δj) olarak tanımlanabilmektedir.
2.2.2
Dairesel Nesne Kısıtları
Bu aşamada eğri parçalarına ayrılan gölge sınırlarının dairesel
bir yapıya ait olup olmadığının tanımlanabilmesi için toplamda
dört adet yeni kısıt geliştirilmiştir. Geliştirilen kısıtlar boş bir
dairesel nesnenin simülasyonu sonucu ortaya çıkan bilgilerden
faydalanılarak üretilmiştir (Şekil 2). Şekil 2c’den de
görülebileceği üzere verilen bir aydınlatma yönüne göre boş bir
dairesel nesne biri nesnenin dışında (So) ve biri nesnenin içinde
(Si) olmak üzere iki adet gölge alanı oluşturmaktadır. Bu
alanların sınırları ise toplamda dört adet eğri parçasına (δ1, δ2,
δ3, δ4) karşılık gelmektedir (Şekil 2d). Şekilden de anlaşılacağı
üzere, bu dört eğri parçasından iki tanesi (δ2 ve δ4) dairesel
nesnenin sınırlarını tanımlamaktadır. Dolayısıyla bu eğri
parçalarından
bir
tanesinin
veya
ikisinin
birden
tanımlanabilmesi halinde nesnenin sınırlarını çıkartmak
mümkün olabilecektir.
Geliştirilen ilk iki kısıt çıkarılan eğri parçalarının (δj)
geometrisiyle ilgilidir. İlk kısıt (𝜉1 ) aşağıdaki gibi
tanımlanmıştır:
𝜉1 = |90 − 𝜃| = |90 − 𝑎𝑐𝑜𝑠(𝐥 ⋅ 𝐯)| ,
(1)
Eş. (1)’de ( ⋅ ) and | ⋅ | operatörleri sırasıyla nokta çarpımını ve
mutlak değeri, l Şekil 2’deki A ve B noktaları arasındaki
normalize yön vektörünü ve v aydınlatma yön vektörünü temsil
etmektedir. Burada ideal şartlarda (örn. paralel izdüşüm) iki yön
vektörü birbirine dik açı oluşturmalı ve 𝜉1 sıfıra eşit olmalıdır.
Fakat çeşitli nedenlerden dolayı (perspektif izdüşüm, çekim
şartlarında oluşan bozulmalar, gölge alanların hatalı
(d)
Şekil 2. Boş bir dairesel nesnenin simülasyonu. (a) Perspektif
projeksiyon, (b) paralel projeksiyon, (c) Simulasyon sonucu
ortaya çıkan iki gölge alanı (So ve Si) ve (d) bu iki gölge
alanının sınırlarını oluşturan dört eğri parçası (δ1, δ2, δ3, δ4).
bulunması vb.) bu mümkün olamamaktadır. Bu nedenle belirli
bir eşik değeri (T1) ile bu kısıt uygulanmaktadır.
Dairesel nesnelerin geometrisiyle ilgili olan ikinci kısıt (𝜉2 ) ise
aşağıdaki gibi ifade edilmiştir:
𝑗
𝜉2 =
𝑗
𝑚𝑖𝑛[𝑟𝑝𝑟𝑜 ,𝑟𝑐𝑎𝑛 ]
𝑗
𝑗
𝑚𝑎𝑥[𝑟𝑝𝑟𝑜 ,𝑟𝑐𝑎𝑛]
,
(2)
Eş. (2)’de min[.] and max[.] operatörleri sırasıyla iki değer
arasında minimum ve maksimum değerleri hesaplamaktadır.
𝑗
Yine aynı eşitlikte 𝑟𝑐𝑎𝑛 , δj eğri parçası kullanılarak hesaplanan
𝑗
dairesel nesnenin yarıçapını, 𝑟𝑝𝑟𝑜 ise AB doğrusundan elde
edilen yarıçap uzunluğunu ifade etmektedir. İdeal şartlarda bu
iki yarıçap değeri birbirine eşit olmalı ve dolayısıyla 𝜉2 bire eşit
olmalıdır. Fakat yine bir önceki kısıt için belirtilen çeşitli
nedenlerden dolayı 𝜉2 bire eşit olamamaktadır. Bu nedenle bu
kısıtta yine bir eşik değeri kullanılarak uygulanmaktadır (1 ≥ ξ2
> T2).
Üçüncü kısıt (𝜉3 ) ise eğri parçalarının dairesel bitki nesnelerinin
sınırlarına ait olup olmadığını test etmek amacıyla
geliştirilmiştir. Bu amaçla her aday eğrinin belirli bir piksel
komşuluğunda (3 piksel) ve güneşin geliş yönünün tersi
yönünde bir arama alanı oluşturulmuş ve bu alanın içinde bitki
örtüsü olup olmadığı incelenmiştir:
𝜉3 =
|𝑠𝑟𝑣 |
|𝑠𝑟 |
,
(3)
Eş. (3)’te | ⋅ | toplam piksel sayısını, sr oluşturulan arama
alanını, srv ise bitki örtüsü maskesi (MV) kullanılarak arama
alanının içinde bulunan bitki alanlarını tanımlamaktadır. Yine
bu kısıtta belirli bir eşik değeri (T3) ile uygulanmaktadır.
Dördüncü kısıt ise eğri parçalarının dairesel bir nesnenin
sınırlarına ait olup olamayacağını test etmek amacıyla
geliştirilmiştir. Burada üçüncü kısıtta uygulanana benzer bir
şekilde temizlenmiş gölge maskesi (MPS) kullanılarak eğrilerin
güneşin geliş geliş yönünün tersi yönünde bir arama alanı
oluşturulmuş ve bu alanın içinde gölge bilgisi olup olmadığı
araştırılmıştır:
𝜉4 =
𝑝𝑠
|𝑠𝑟 |
|𝑠𝑟 |
.
(4)
Eş. (4)’te | ⋅ | toplam piksel sayısını, sr oluşturulan arama
alanını, srps ise temizlenmiş gölge maskesi (MPS) kullanılarak
arama alanının içinde bulunan gölge alanlarını tanımlamaktadır.
Yine bu kısıtta belirli bir eşik değeri (T4) ile uygulanmaktadır.
Bu dört kısıt tüm eğri parçalarına sırasıyla uygulanmıştır. Fakat
dairesel bir nesneye ait olmayan eğri parçalarından da bütün
kısıtları sağlayanlar olabilmektedir (Şekil 3b). Bu nedenle
kısıtları sağlayan tüm eğri parçaları aday eğri parçaları olarak
tanımlanmış ve nesnenin dış kısmındaki gölgeden elde edilenler
(δojc) ve iç kısmındaki gölgeden elde edilenler (δijc) olarak iki
sınıfa otomatik olarak ayrılmıştır (Şekil 3b).
2.3 Dairesel Nesnelerin Bulunması
Dairesel nesnelerin bulunması iki farklı aşamadan oluşmaktadır.
Birinci aşamada dairesel nesnelerin iç ve dış kısımlarında gölge
olan ve dolayısıyla bu gölgelerden karşılıklı olarak aday eğri
parçaları elde edilenler ele alınmıştır. Şekil 3’ten görüleceği
üzere bu durumdaki dairesel nesnelerde kırmızı ve mavi renkte
iki farklı eğri parçası bulunmakta ve bu eğri parçaları
birbirlerini tamamlamakta ve dairesel nesnenin sınırlarını
tanımlamaktadır. Bu nedenle ilk olarak karşılıklı olarak birbirini
tamamlayan bu eğri parçaları ele alınmıştır. Bu aşamada her δojc
eğri parçası için yay şeklinde bir arama alanı tanımlanmış ve
karşısındaki δijc eğrisi (veya eğrileri) ile eşleştirilmiştir. Bu test
sırasında öncelikle δojc eğri parçasına sağlam bir şekilde daire
uydurulmuş (Taubin, 1991) ve olası dairenin merkez nokta
(cjcan) ve yarıçap (rjcan) bilgileri elde edilmiştir. Devamında ise
δojc eğri parçasına ait her piksel (xj) ile olası dairenin merkez
noktası (cjcan) arasında birim yön vektörü (𝒖𝑗 ) aşağıdaki
formülle
𝒖𝑗 =
Böylece verilen dr = {-d, -d+1, …, d-1, d} şeklindeki bir girdi
için arama alanının tüm pikselleri Eş. (6) ile hesaplanabilmekte
𝑜𝑗
ve δojc eğrisi için arama alanı (𝑠⋑ ) oluşturulmaktadır (Şekil 4).
Devamında arama alanı içerisinde (bir veya daha fazla) δijc eğri
parçası bulunursa δojc ve δijc karşılıklı eğri parçaları olarak
etiketlenmekte ve dairesel nesnenin sınırları bu eğri parçaları
beraber kullanılarak yine (Taubin, 1991) yöntemi kullanılarak
tahmin edilmektedir.
Herhangi bir karşılık eğri parçası bulamayanlar için ise yeni bir
kontrollü dairesel Hough dönüşümü geliştirilmiştir (Ok, 2014).
Bu dönüşüm klasik dairesel Hough dönüşümünün gerekli olan
parametrelerini her eğri parçası için tahmin edip her eğri parçası
için bir ilgi alanı (ROI) üretmektedir. Devamında bu ilgi alanı
içerisinde dairesel Hough dönüşümü sonuçlarına göre dairesel
nesne olup olmadığı kararı verilmektedir. İlgi alanı içerisinde
bir dairesel nesne bulunması halinde Şekil 5a’da görüldüğü
üzere nesnenin merkez noktasında bir kümelenme
gözlenmektedir. Böylece nesnenin parametreleri (merkez nokta
ve yarıçap) elde edilmektedir. Eğer böyle bir kümelenme
gözlenmemişse (Şekil 5b) ilgili eğri parçası elenmektedir.
(a)
(b)
Şekil 4. δojc (siyah) ve karşısındaki δijc (gri) aday eğri parçaları
𝑜𝑗
ve (b) δojc için üretilen arama alanı 𝑠⋑ (kırmızı).
𝑗
𝐱 𝑗 − 𝐜𝑐𝑎𝑛
𝑗
‖𝐱 𝑗 − 𝐜𝑐𝑎𝑛 ‖
,
(5)
hesaplanmıştır. Eş. (5)’te || . || ℓ2 normunu belirtmektedir.
Devamında belirli bir d mesafesi için arama alanının herhangi
bir pikselinin yeri aşağıdaki şekilde hesaplanabilir:
𝑗
𝑗
𝑗
𝑠⋑ = ⌊−𝒖𝑗 (𝑟𝑐𝑎𝑛 − 𝑑) + 𝐜𝑐𝑎𝑛 + 𝐩⌋ .
(a)
(b)
(6)
𝑗
Eş. (8)’de 𝑠⋑ oluşturulacak arama alanının bir pikselini, p = [0.5
0.5] şeklindeki sabit bir vektörü, ⌊ . ⌋ ise herhangi bir sayıyı
aşağı doğru tamsayıya yuvarlayan operatörü tanımlamaktadır.
(c)
(d)
Şekil 5. (a) ve (c) Otomatik olarak seçilen ilgi alanları ve
kontrollü Hough dönüşümü birikim değerleri.
3. SONUÇLAR VE TARTIŞMA
(a)
(b)
Şekil 3. (a) GeoEye-1 görüntüsü, (b) aday eğri parçaları.
Dairesel nesnenin dış kısmına (So) ve iç kısmına (Si) ait bulunan
eğri parçaları sırasıyla kırmızı ve mavi renkle gösterilmiştir.
Bu çalışmada kullanılan GeoEye-1 (50 cm) test görüntüleri, 4bantlı (M, Y, K, YKÖ) ve 11 bit radyometrik çözünürlüğe
sahiptir.
Önerilen
yaklaşımın
sağlıklı
bir
şekilde
değerlendirilmesi amacıyla farklı çekim koşullarının yanı sıra
endüstriyel açıdan da farklılıklar gösteren 12 test görüntüsü
seçilmiştir. Bu görüntülerdeki dairesel nesnelere ait referans
veriler deneyimli bir operatör tarafından çizilmiştir. Elde edilen
sonuçların kalitesini değerlendirebilmek amacıyla obje-tabanlı
kesinlik, geri getirme ve F1 skoru performans ölçütleri (Ok,
2014; Ok ve Baseski, 2015) kullanılmıştır. Yöntem sonucunda
elde edilen dairesel nesnelerin parametre (merkez nokta ve
yarıçap) kalitesinin ortaya koyulabilmesi amacıyla elde edilen
dairesel nesnelerin ve referans nesnelerin parametre değerleri
karşılaştırılmış ve Ortalama Karesel Hata (RMS) değerleri
hesaplatılmıştır. Önerilen yöntem herhangi bir operatör desteği
olmaksızın
çalışabildiğinden
yöntemin
ihtiyacı
olan
parametreler
tanımlandığında
hızlı
bir
şekilde
kullanılabilmektedir. Gerekli tüm parametreler daha önce
yapılan bir çalışmada geniş kapsamlı bir şekilde araştırılmıştır
(Ok, 2014). Bu nedenle bütün test görüntüleri için kullanılacak
parametreler sabitlenmiştir.
Elde edilen görsel sonuçlar Şekil 6’da sunulmuştur. Bu
sonuçlara göre geliştirilen yaklaşım endüstriyel alanlardaki
dairesel nesnelerin tespit edilmesi için etkin bir yöntem olarak
görünmektedir. Dairesel nesneler, çatı rengi, dokusu, şekil ve
boyut gibi test görüntülerindeki karmaşık karakteristiklerine
rağmen başarılı bir şekilde belirlenebilmiştir. Aynı zamanda
geliştirilen yaklaşımın sonuçları dairesel alanların parametre
değerlerine de yakınsamaktadır. Nitekim Tablo 1’de elde edilen
sonuçlar bu yorumları desteklemektedir. Tüm alanlar için
hesaplanan genel kesinlik ve geri getirme oranları sırasıyla
%99.1 ve %82.7’dir. Tüm 12 test görüntüsü için hesaplanan F1
skoru yaklaşık olarak %90 civarındadır. Hesaplanan parametre
sonuçları da yöntemin başarısını ortaya koymaktadır. Tüm test
alanları için elde edilen merkez nokta ve yarıçap RMS değerleri
sırasıyla 2.67 ve 2.17 piksel olarak hesaplanmıştır. Test
görüntülerindeki zorluklar ve karmaşık görüntüleme şartları
dikkate alındığında, geliştirilen yaklaşımın gelecek vadeden bir
performansa sahip olduğu düşünülmektedir.
4. SONUÇLAR
Yüksek çözünürlüklü hava ve/veya uydu görüntülerinden (3boyutlu) otomatik nesne elde edilmesi son yıllardaki modern
fotogrametri ve uzaktan algılama uygulamalarındaki en önemli
araştırma konularından birisi haline gelmiştir. Otomatik olarak
elde edilmeye çalışılan nesnelerin içerisinde dairesel hedefler
farklı depolama alanlarını ve nesnelerini tanımlaması açısından
önemli bir yere sahiptir. Bu bağlamda bu çalışmada
yeryüzündeki Petrol ve Yağ Ürünlerine (POL) ait depoların
konumlarını uydu görüntülerinden otomatik olarak tespitini
gerçekleştirecek yeni bir yöntem geliştirilmiştir. Geliştirilen
yöntem literatürdeki diğer yöntemlerin aksine dairesel POL
depolarının gölge alanlarına odaklanmaktır. Bu sayede gölge
bilgisinin otomatik olarak bulunabildiği görüntülerde başarıyla
uygulanabilmektedir.
Yöntemin test edilmesi amacıyla farklı GeoEye-1 uydu
görüntülerinden (0.5 m) 12 endüstriyel test alanı seçilmiştir.
GeoEye-1 görüntüleri üzerinde yapılan değerlendirmeler,
geliştirilen yaklaşımın dairesel nesnelerin uydu görüntülerinden
sağlam bir şekilde belirleyebilme kabiliyetine sahip olduğunu
göstermektedir. İlerleyen çalışmalarda, gölge bilgisinin yanı sıra
dairesel nesnelere ait radyal simetri bilgisi kullanılarak
yöntemin gölgeye olan bağımlılığı azaltılacaktır (Ok ve Başeski,
2015). Bundan başka olarak eliptik nesnelerin bulunmasında da
geliştirilen yöntem temel alınabilir. Bu sayede eğik açıyla
çekilmiş görüntülerde de dairesel nesnelerin bulunması
mümkün olabilecektir. Son olarak, bulunan nesnelerin üçboyutlu sunumunun da gerçekleştirilmesi planlanmaktadır.
Test Görüntüsü #1
Test Görüntüsü #2
Test Görüntüsü #3
Test Görüntüsü #4
Test Görüntüsü #5
Test Görüntüsü #6
Test Görüntüsü #7
Test Görüntüsü #8
Test Görüntüsü #9
Test Görüntüsü #10
Test Görüntüsü #11
Test Görüntüsü #12
Şekil 6. GeoEye test görüntüleri ve elde edilen sonuçlar. Doğrupozitif, yanlış-pozitif ve yanlış-negatif bölgeler sırasıyla yeşil,
kırmızı ve mavi renklerle gösterilmiştir.
Test
Görüntüsü
Obje-Tabanlı Performans (%)
RMS (piksel)
Kesinlik – Geri-getirme – F1-skoru
Merkez – Yarıçap
#1
100 – 82.4 – 90.3
1.31 – 0.58
#2
100 – 100 – 100
4.42 – 2.25
#3
95.5 – 91.3 – 93.3
3.90 – 2.49
#4
100 – 74.1 – 85.1
2.50 – 0.96
#5
97.8 – 83.3 – 90.0
2.12 – 1.47
#6
100 – 72.5 – 84.0
2.04 – 2.77
#7
100 – 84.0 – 91.3
1.78 – 0.81
#8
100 – 65.6 – 79.3
3.55 – 2.46
#9
100 – 87.8 – 93.5
2.51 – 2.15
#10
100 – 100 – 100
2.39 – 2.24
#11
100 – 80.0 – 88.9
5.39 – 2.40
#12
96.0 – 82.8 – 88.9
2.42 – 3.02
Genel
99.1 – 82.7 – 90.2
2.67 – 2.17
Tablo 1. Geliştirilen yöntemin Obje-Tabanlı ve RMS
performans değerleri
TEŞEKKÜR
Bu çalışmada kullanılan GeoEye-1 test verileri HAVELSAN
A.Ş. tarafından sağlanmıştır.
KAYNAKLAR
Awrangjeb, M., Lu, G., 2008. Robust Image Corner Detection
Based on the Chord-to-Point Distance Accumulation
Technique. IEEE Transactions on Multimedia, 10(6), pp. 10591072.
Chen, A., 2009. Method for rapidly detecting circlular-object
clusters in large remote sensing images. In: International
Conference on Information Technology and Computer Science,
pp. 530-533.
Han, X., Fu, Y., 2012. Circular array targets detection from
remote sensing images based on saliency detection. Optical
Engineering, 51(2), pp. 1-11.
Han, X., Fu, Y. and Li, G., 2011. Oil depots recognition based
on improved hough transform and graph search. Journal of
Electronics & Information Technology, 33(1), pp. 66-72.
Kushwaha, N., Chaudhuri, D. and Singh, M. 2013. Automatic
bright circular type oil tank detection using remote sensing
images. Defence Science Journal, 63(3), pp.298-304.
Li, H., 2006. Automatic recognition and extraction of oil tanks
from high-resolution remotely sensed images. In: The
International Archives of the Photogrammetry, Remote Sensing
and Spatial Information Sciences, 36 (Part 7).
Loy, G., Zelinsky, A., 2003. Fast radial symmetry for detecting
points of interest. IEEE Transactions on Pattern Analysis and
Machine Intelligence, 25(8), pp. 959-973.
Ok, A.O., 2013. Automated detection of buildings from single
VHR multispectral images using shadow information and graph
cuts. ISPRS Journal of Photogrammetry and Remote Sensing,
86(2013), pp. 21-40.
Ok, A.O., 2014. A new approach for the extraction of
aboveground circular structures from near-nadir VHR satellite
imagery. IEEE Transactions on Geoscience and Remote
Sensing, 52(6), pp. 3125-3140.
Ok, A.O., Baseski, E., 2015. Circular Oil Tank Detection From
Panchromatic Satellite Images: A New Automated Approach,
IEEE Geoscience and Remote Sensing Letters, 12(6), pp.13471351.
Otsu, N., 1975. A threshold selection method from gray-level
histograms. Automatica, 11, pp. 285-296.
Taubin, G., 1991. Estimation of planar curves, surfaces, and
nonplanar space curves defined by implicit equations with
applications to edge and range image segmentation. IEEE
Transactions on Pattern Analysis and Machine Intelligence,
13(11), pp. 1115-1138.
Teke, M., Başeski, E., Ok, A.Ö., Yüksel, B., Şenaras, Ç., 2011.
Multi-Spectral
False
Color
Shadow
Detection,
Photogrammetric Image Analysis. Springer, Berlin, Heidelberg,
pp. 109-119.
Weisheng, Z., Hong, Z., Chao, W. and Tao, W., 2005.
Automatic oil tank detection algorithm based on remote sensing
image fusion. In: IEEE International Geoscience and Remote
Sensing Symposium (IGARSS), pp. 3956-3958.
Zerman, E., Bati, E., Akar, G.B., Baseski, E. and Duzgun, S.,
2014. Circular target detection algorithm on satellite images
based on radial transformation. In: Signal Processing and
Communications Applications Conference (SIU), pp. 17901793.
Zhu, C., Liu, B., Zhou, Y., Yu, Q., Liu, X. and Yu, W., 2012.
Framework design and implementation for oil tank detection in
optical satellite imagery. In: IEEE International Geoscience and
Remote Sensing Symposium (IGARSS) pp. 6016-6019.